低空无人机影像分辨率对冬小麦氮浓度反演的影响

贾 丹 陈鹏飞

(1.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室， 北京 100101；2.中国科学院大学, 北京 100049； 3.江苏省地理信息资源开发与利用协同创新中心， 南京 210023)

0 引言

氮素是作物生长发育必不可少的营养元素，对作物的光合能力、同化过程等产生重要作用[1]，植株缺氮会同时表现在外部形态和内部代谢，因此可以通过作物的生理生化参数来反映其氮素营养状况。遥感技术可用于反演作物的生理生化参数，进而可对其进行氮素营养诊断[2-4]。目前，常用的遥感技术包括卫星遥感、载人机遥感、无人机遥感和地基遥感[5-6]。相对于其他遥感平台，无人机遥感具有成本低[7]、能获取高空间分辨率影像、适合田块尺度观测等优势[8]，是精准农业管理中的重要技术手段[9]。

目前，已有不少基于无人机遥感进行作物氮素营养诊断的研究。文献[10]基于无人机遥感建立氮营养指数，对冬小麦进行氮素诊断；文献[11]基于无人机高光谱影像，通过构建诊断氮素的光谱指数反演了水稻叶片氮浓度信息；文献[12]结合无人机高光谱影像和氮素辐射传输模型，采用查找表的方法估算了冬小麦的冠层氮浓度。这些研究很好地推动了无人机技术在作物氮素营养诊断中的应用，但也存在一定的缺陷：仅利用影像的光谱信息进行作物参数反演忽略了低空无人机影像具有超高空间分辨率的特征，超高分辨率的影像不但含有光谱信息，还有丰富的纹理信息。纹理特征作为作物的固有属性，不易受到外界影响，反映图像灰度性质及其空间关系，扩大了原始影像亮度的空间信息辨识度，能够在一定程度上解决光谱信息反演存在的饱和问题，提升参数的反演精度[13-14]。目前，结合光谱和纹理信息进行作物氮素营养诊断的研究报道较少。文献[15]比较了无人机影像光谱特征、纹理特征、光谱特征+纹理特征等3种不同情景对冬小麦生物量反演精度的影响，结果表明，光谱特征+纹理特征的精度优于单一纹理特征，单一纹理特征的精度又优于单一光谱特征；文献[16]研究表明，影像光谱特征+纹理特征对棉花植株氮浓度的反演精度要远优于单一光谱特征的反演。但是，影像纹理特征非常依赖于影像分辨率，上述文献并未探讨这种纹理特征究竟在何种分辨率下有效。目前，已有研究的无人机飞行高度为8～550 m[17-19](多集中于100 m以下)，对应影像分辨率为1～20 cm，对无人机飞行高度及对应影像分辨率的选择上存在一定的随意性，缺乏统一标准规范指导，给基于无人机的作物参数反演模型技术的推广带来困难[9]。因此，探讨不同分辨率影像对作物氮素营养诊断效果的影响，对于制定标准化影像获取规范具有重要意义。

本文通过设计冬小麦水、氮耦合试验，在获取不同氮素营养状态下小麦植株的基础上，探讨不同分辨率无人机影像光谱特征与纹理特征变化对冬小麦植株氮浓度反演的影响，为无人机遥感氮素营养诊断、飞行高度与影像分辨率的选择提供理论依据，以支撑相关标准化技术规程的制定。

1 材料与方法

1.1 田间试验

田间试验为水、氮耦合试验，布设于中国科学院禹城农业综合试验站内(东经116°34′13″，北纬36°50′0″)。小麦品种为“维麦8号”，试验设计2个水分处理，5个氮肥处理。2个水分处理为裂区分布，每个水分处理下设不同氮肥处理。氮肥处理为5处理，3重复，呈随机分布。各处理与重复的空间分布见图1，共32个小区，小区尺寸为10 m×5 m。其中，水分处理分别为90 mm灌溉量和60 mm灌溉量；氮肥处理分别为不施肥(T1)、15 000 kg/hm2厩肥(T2)、15 000 kg/hm2厩肥+100 kg/hm2氮肥(T3)、15 000 kg/hm2厩肥+200 kg/hm2氮肥(T4)、15 000 kg/hm2厩肥+300 kg/hm2氮肥(T5)。各小区除水、氮外，其他处理措施相同。

图1 小区布设空间分布图Fig.1 Layout of field experiment

1.2 数据获取

在冬小麦的灌浆期进行数据采集，包括无人机数据和地面农学参数。

1.2.1无人机数据获取

无人机影像基于3DR Solo型四旋翼无人机(3DR，美国)，搭载RedEdge M型多光谱传感器(MicaSense，美国)获得。RedEdge M型多光谱传感器包含有蓝光波段(中心波长475 nm)、绿光波段(中心波长560 nm)、红光波段(中心波长668 nm)、红边波段(中心波长717 nm)和近红外波段(中心波长840 nm)等 5个波段信息。无人机飞行时间为12：00—14：00，天空晴朗无云时进行。设置4个飞行高度，分别为15、30、50、80 m，对应地面分辨率约为1.00、2.06、3.49、5.69 cm。飞行时，航向和旁向重叠率设为75%。相机先采用触发拍摄模式，在飞行前拍摄白板，然后再设定为自动拍摄模式，用于在无人机飞行过程中进行拍摄。Pix4D ag(Pix4D，瑞士)软件用来进行无人机影像拼接。在此过程中，白板信息被用来将影像DN值转换为反射率。另外，基于厘米级误差的Trimble GEO 7X型(美国)差分GPS采集的高精度地面样点数据对影像做几何精校正。本研究所使用无人机及获取的1景影像如图2所示。

图2 无人机平台及获取的1景影像(飞行高度30 m, 空间分辨率2.06 cm)Fig.2 UAV platform and an acquired image(flight altitude was 30 m, spatial resolution was 2.06 cm)

1.2.2地面农学参数获取

在每个小区，选择长势较均匀区域作为采样区。首先，在采样区中心区域，齐地割取4行40 cm的小麦植株，剪去根，茎、叶分离后放入干燥箱干燥至恒质量；然后，称取各部分干质量，并将干茎、叶分别粉碎，利用vario micro cube型元素分析仪(Elementer，德国)，采用Dumas燃烧法测定其含氮量；最后，根据各部分干质量，换算为植株氮浓度(%)。

1.3 数据分析方法

首先，利用归一化差值植被指数(Normalized difference vegetation index，NDVI)，采用决策树分类，提取不同分辨率影像下的小麦信息，以去除土壤背景；然后，基于剔除土壤背景后的影像，提取冬小麦植株的光谱信息和纹理特征信息；最后，以4个飞行高度作为不同情景，探讨不同情景下光谱信息、纹理特征、光谱信息+纹理特征等反演植株氮浓度的效果。其中，光谱反射率提取自各小区所有像元的平均光谱，然后基于光谱反射率，计算以归一化植被指数为构型的各光谱指数NDVIs[20]：比值植被指数RVI[21]、增强植被指数EVI[22]、三角植被指数TVI[23]、土壤调整植被指数OSAVI[24]、修改三角植被指数MTVI2[25]、红边模型R-M[26]、绿波段比值植被指数RVIgreen[27]等，上述植被指数作为影像光谱信息；纹理特征通过研究灰度的空间相关特性来定量分析[28]，本研究使用的纹理特征参数包含从灰度共生矩阵计算的均值、方差、同质性、对比度和能量值[29]，5个光谱波段共有25个参数；主成分回归分析法是遥感反演植被参数时常用的建模方法[30]，本研究应用它来建立植株氮浓度的反演模型。建模时，将获得的冬小麦32个样本随机分为两组。1组包含24个样本作为建模样本；另一组包含8个样本作为检验样本。各情景下的建模，依赖于相同的建模样本和检验样本。在构建主成分反演植株氮浓度模型时，选择特征值大于1的信息的前n个主成分变量来建立模型[31]，用预测决定系数(Coefficient of determination，R2)、预测标准误差(Root mean square error，RMSE)和相对预测标准误差来评价模型的精度。

2 结果与分析

2.1 不同分辨率下光谱信息对小麦植株氮浓度反演的影响

不同分辨率下光谱信息对小麦植株氮浓度反演的结果如表1所示。从表中可以看出，在分辨率1.00～5.69 cm之间，光谱信息反演植株氮浓度的效果未表现出趋势性变化，彼此间的差异也不大。建模时，R2在0.633 1～0.655 9之间变化，RMSE在0.153 9%～0.154 2%之间变化；验证时，R2在0.774 1～0.814 0之间变化，RMSE在0.136 5%～0.136 9%之间变化。说明影像在此分辨率之间变化时，所带来的光谱信息变化对植株氮浓度反演影响不显著。

表1 基于不同分辨率影像光谱信息对小麦植株氮浓度的反演结果Tab.1 Prediction results of plant nitrogen concentration based on spectral information from different resolution images

2.2 不同分辨率下纹理特征对小麦植株氮浓度反演的影响

不同分辨率下纹理特征对小麦植株氮浓度反演的结果如表2所示。从表中可以看出，在分辨率1.00～5.69 cm之间，纹理特征建模效果呈下降趋势，R2从0.684 0递减到0.646 9，RMSE从0.139 5%递增到0.143 9%；模型验证效果同样呈现出下降趋势，R2从0.849 7递减到0.796 5，RMSE从0.127 4%递增到0.158 4%。以上结果表明，影像分辨率在1.00～5.59 cm之间变化时，随着飞行高度的增加，纹理特征在逐步消失，对植株氮浓度的反演效果在不断变差。所有测试分辨率中，飞行高度为15 m对应空间分辨率为1.00 cm时，模型的反演效果最佳。

表2 基于不同分辨率影像纹理特征对植株氮浓度的反演结果Tab.2 Prediction results of plant nitrogen concentration based on texture feature from different resolution images

2.3 不同分辨率下光谱信息+纹理特征对小麦植株氮浓度反演的影响

不同分辨率下光谱信息+纹理特征对植株氮浓度反演的结果如表3所示。从表中可以看出，在分辨率1.00～5.69 cm之间，光谱信息+纹理特征建模效果整体上呈下降趋势，R2从0.788 7递减到0.675 5，RMSE从0.114 0%递增到0.141 3%；模型验证效果与建模效果相同，R2从0.876 1递减到0.802 3，RMSE从0.138 2%递增到0.156 1%。飞行高度为15 m、空间分辨率在1.00 cm时，模型的反演效果最佳。另外，与单一光谱信息、纹理特征建模结果相比，光谱信息+纹理特征构建的模型在建模和验证时的整体精度有所提升。

表3 不同分辨率下光谱信息+纹理特征对植株氮浓度反演结果Tab.3 Prediction results of plant nitrogen concentration based on combining spectral information and texture feature from different resolution images

3 讨论

文献[4]利用无人机搭载多光谱相机获取冬小麦冠层多光谱影像，基于植被指数法估测冬小麦生育前期(Feekes 4～7)植株氮浓度的R2为0.56，估测其生育后期植株氮浓度的R2为0.78；基于无人机获取的冬小麦多光谱影像，文献[10]利用植被指数对小麦植株氮浓度进行反演，模型的R2为0.73；文献[14]基于人工神经网络法、多元线性回归法，利用无人机高光谱影像数据反演小麦叶片氮浓度模型的R2在0.57～0.97，RMSE在0.152%～0.279%；与以上的研究结果相比，本研究的结果在合理范围之内。

从叶片尺度上来说，植物缺氮表现为叶片边缘发黄，整片叶子黄绿相间，叶子变黄比例随植株缺氮程度的增加而增大；从冠层尺度上来说，植物缺氮表现为从下部往上部叶片逐渐表现为缺氮症状，因此从上方俯视看冠层，随着植株缺氮症状的加剧，冠层颜色的对比度逐渐加大，这些都属于纹理特征。灌浆期，冬小麦叶片长度在3.00～10.00 cm。另外，冬小麦播种行距为20.00 cm，因此冠层大小也在此范围内。据此，理论上只有分辨率优于10 cm的影像才能辨识出这种纹理特征。本研究设计了4种飞行高度场景，对应影像分辨率分别为1.00、2.06、3.49、5.69 cm。在不同场景下，本研究利用光谱信息、纹理特征以及光谱信息+纹理特征分别对冬小麦氮浓度进行反演的结果表明：光谱+纹理模型反演效果优于单一光谱、单一纹理模型反演结果。此结果与文献[15]利用植被指数反演生物量时得出光谱、纹理融合指标精度高于单一光谱、纹理指标，以及文献[16]在对棉花植株氮浓度反演时得出光谱+纹理特征反演效果好于单一光谱信息建模效果的相关结论一致。在探究不同飞行高度反演冬小麦氮素营养状况时，文献[32]的研究表明，与55 m飞行高度相比，8～16 m飞行高度获得影像的光谱信息更适合进行小麦茎基部硝酸盐浓度反演，进而对小麦氮素营养诊断，但未给出对应的影像分辨率。往往不同传感器在相同高度上其影像分辨率不同，因此其结果很难推广。与其相比，本研究在设计场景时明确了影像分辨率信息，并且增加了对纹理信息的分析。结果表明在1.00～5.69 cm之间，光谱信息对植株氮浓度反演效果影响不大，但纹理信息会随着分辨率的变低逐渐变弱，反演效果趋于变差。影像分辨率在1.00 cm时，纹理特征表现最明显，此时模型反演植株氮浓度效果最好。说明高分辨率影像会带来丰富的纹理信息，提高植株氮浓度反演精度。但是，获取高分辨率影像，对于同种传感器来说就需要采用低的飞行高度，这样在获取影像时，效率就会变低。因此，在作物氮素营养诊断时，需要根据实际需求，同时考虑精度要求和效率需求来选择飞行高度与对应影像分辨率。

本研究只针对灌浆期小麦的植株氮浓度反演开展了相关研究，今后应采集更为广泛的样品，对小麦其他生育期的植株氮浓度反演情况进行验证研究。

4 结束语

基于低空无人机搭载多光谱传感器，通过设置不同的无人机飞行高度，研究分析了不同分辨率影像对冬小麦植株氮浓度反演的影响。结果表明，影像分辨率在1.00～5.69 cm之间变化时，影像光谱信息对小麦植株氮浓度反演影响不大，各情景下建模结果和验证结果差异较小；随着影像分辨率的降低，影像纹理特征对小麦植株氮浓度反演的效果变差；影像光谱信息+纹理特征信息对小麦植株氮浓度反演效果整体随着分辨率的提高呈增加趋势，且其反演结果优于于单一光谱特征或单一纹理特征的反演效果。总体而言，影像分辨率在1.00～5.69 cm之间变化时，分辨率越高，纹理特征越丰富，基于纹理特征和光谱信息反演植株氮浓度的效果越好。但在现实中获取无人机影像进行应用时，还需要综合考虑无人机影像获取效率，根据具体需求寻找精度和效率的平衡点。